скачать книгу бесплатно
1. Для двухфакторных мультипликативных моделей.
Пример: ТП = К х Ц.
Расчет изменения выручки за счет:
• количества проданной продукции (?ТП
):
?ТП
=1/2К х (Ц
+ Ц
);
• цены реализации (?ТП
):
?ТП
=1/2Ц х (К
+ К
).
2. Для кратной двухфакторной модели: А = В/С.
?А
= А
– А
;
Способ логарифмирования применяется для измерения влияния факторов в мультипликативных моделях. При логарифмировании используются не абсолютные приросты результативных показателей, а индексы их роста или снижения. Общий прирост результативного показателя распределяется по факторам пропорционально отношениям логарифмов факторных индексов к логарифму индекса результативного показателя.
Способ пропорционального деления используется для аддитивных и кратно-аддитивных моделей.
Алгоритм расчета количественного влияния исследуемого фактора на изменение результативного показателя для аддитивной модели:
• абсолютное изменение результативного показателя делится на сумму абсолютных изменений всех факторов;
• полученный результат умножается на абсолютное отклонение исследуемого фактора.
Пример: Y = х
+ х
+ х
.
Изменение Yза счет фактора х
:
?Yх
= ?Y
/(?х
+ ?х
+ ?х
) ? ?х
.
Изменение Y за счет фактора х
:
?Yх
= ?Y
/(?х
+ ?х
+ ?х
) ? ?х
.
Изменение Y за счет факторах,
?Yх
= ?Y
/(?х
+ ?х
+ ?х
) ? ?х
.
Сумма влияния факторов должна быть равна общему изменению результативного показателя.
Метод корреляционно-регрессионного анализа позволяет определить изменение результативного показателя под воздействием одного или нескольких факторов, т. е. определить, на сколько единиц изменяется величина результативного показателя при изменение факторного на единицу, а также позволяет установить относительную степень зависимости результативного показателя от каждого фактора. Корреляционная зависимость проявляется лишь в среднем (как среднее значение) и только в массе наблюдений.
Множественная корреляционная модель имеет вид:
y = а
+ а
х
+ а
х
+ а
х
+ … + а
х
,
где у – результативный показатель; a
– свободный член уравнения; а
аргументы, показывающие, на сколько изменится результат при увеличении соответствующему ему х на единицу; x
– факторы, воздействующие на результативный показатель.
Многофакторный корреляционный анализ состоит из нескольких этапов.
На первом этапе определяются факторы, которые оказывают влияние на изучаемый показатель, и отбираются наиболее существенные для корреляционного анализа.
На втором этапе собирается и оценивается исходная информация, необходимая для корреляционного анализа.
На третьем этапе изучается характер и моделируется связь между факторами и результативным показателем, т. е. подбирается и обосновывается математическое уравнение, которое наиболее точно выражает сущность исследуемой зависимости.
На четвертом, этапе проводится расчет основных показателей связи корреляционного анализа.
На пятом этапе статистически оцениваются результаты корреляционного анализа и практическое их применение.
В последние годы наибольшую актуальность в практической деятельности приобрел такой метод изучения многомерных статистических совокупностей, как кластерный анализ, содержание которого было впервые раскрыто в 1939 г. исследователем Трионом.
Сущность кластерного анализа заключается в разбиении множества изучаемых объектов и признаков на однородные группы или кластеры. Достоинство данного метода в том, что он позволяет подразделять объекты не по одному параметру, а по целому ряду признаков и в отличие от большинства математико-статистических методов не накладывает никаких ограничений на рассматриваемые объекты.
Кластерный анализ позволяет рассматривать достаточно большой объем информации, сжимать массивы социально-экономической информации, делать их компактными и наглядными. Однако состав и количество кластеров зависят от выбираемых критериев разбиения. В то же время могут теряться индивидуальные черты отдельных объектов за счет замены их характеристиками обобщенных значений параметра кластера. Это следует отнести к недостатку кластерного анализа.
В процессе проведения кластерного анализа необходимо на основании данных, содержащихся во множестве X, разбить на множество объектов G на от (от целое) кластеров (подмножеств) Q
, Q
, … Q
так, чтобы каждый объект G
принадлежал только одному подмножеству разбиения и чтобы объекты, принадлежащие одному и тому же кластеру, были сходными, в то время как объекты, принадлежащие разным кластерам, были разнородными.
В качестве целевой функции кластерного анализа может быть взята внутригрупповая сумма квадратов отклонения:
Вы ознакомились с фрагментом книги.
Для бесплатного чтения открыта только часть текста.
Приобретайте полный текст книги у нашего партнера:
